Neuron | 哥大突破传统限制，跨场次通用神经解码，精度创新高

基本信息

Title:Exploiting correlations across trials and behavioral sessions to improve neural decoding

发表时间：2025.11.26

Journal:Neuron

影响因子：15.0

研究背景

在脑科学的研究中，神经解码就像是在翻译大脑的“加密电报”，试图通过神经元的电活动预测动物的行为。然而，传统的解码器往往像是一个只有“瞬间记忆”的翻译官：它们通常只关注单个试次（trial）或单次实验（session）内的数据，却忽略了大脑活动的连贯性。

事实上，大脑并不是一块每次实验都重新擦除的白板。动物在执行任务时，其神经活动在不同实验间具有高度的相似性，且当前的行为深受过往经验的影响。以往的方法要么难以处理不同实验中记录到的不同神经元，要么依赖于计算昂贵且难以解释的深度学习“黑箱”模型。因此，科学家们急需一种既能利用大规模跨实验数据、又具有高度可解释性的轻量化解码新方案。

研究总结

近日，哥伦比亚大学的 Yizi Zhang 与 Liam Paninski 团队在Neuron上发表了题为“Exploiting correlations across trials and behavioral sessions to improve neural decoding”的研究论文。该研究利用国际脑实验室（IBL）涵盖 433个实验、270个脑区 的海量数据，开发了两套互补的数学模型来弥补现有技术的短板

跨实验降维回归模型 (RRR)： 就像为不同的实验找出了共同的“节奏”，该模型捕捉了不同实验间共享的时间特征，同时保留了每个神经元的独特性。

多实验状态空间模型 (SSM)： 该模型通过分析行为在试次间的相关性，推断出动物内在的心理状态（如动机或偏好），从而进一步修正解码结果。

核心发现与意义：

性能跃升：在预测小鼠的选择、先验概率及运动细节等行为上，新模型显著优于传统线性模型和复杂的深度学习方法。

极高的可解释性：这种方法不仅能精准预测行为，还能通过其内在结构直接识别出哪些神经元对决策最关键，并绘制出全脑范围内行为相关的“时间尺度图”。

广泛适用：该模型不仅适用于小鼠，在灵长类动物的数据上也表现出色，证明了其在不同物种和硬件平台上的通用性。

这一研究为我们提供了一个比深度学习更高效、更透明的工具，让我们能够从全脑水平上洞察神经活动与行为之间跨越时间和个体的内在联系，也为未来的“脑机接口”和神经科学基础研究提供了更强有力的技术支撑。

核心图片

Figure 1. Schematic illustration of neural and behavioral data-sharing models. 神经与行为数据共享模型的示意图 这张图建立了文章的理论框架，首先展示了小鼠在视觉刺激任务中，不同实验场次（Session）间的神经活动具有高度的一致性。基于此，作者提出了两种互补模型：神经网络降维回归（RRR）通过共享跨场次的时间基向量（V）来捕捉共通的神经表征；而行为状态空间模型（LG-AR1 和 BMM-HMM）则利用试次（Trial）间的相关性，通过推断潜在的心理状态或先验信念来修正单场次的解码结果。

Figure 2. The RRR achieves strong decoding performance by learning behaviorally relevant neural variations through multi-session learning. RRR 模型学习行为相关神经变异的性能评估 本图重点展示了 RRR 模型在降维方面的优越性，通过对比发现 RRR 投影出的神经子空间比传统的 PCA 能更清晰地分离不同的行为类别。实验结果进一步证实，多场次学习（RRR (M)）在聚类指标（ARI）和解码准确率上均显著优于单场次模型，且在解码先验信念、轮速及须部运动能量等连续行为变量时，比传统的岭回归更为精确。

Figure 3. Qualitative evaluation of the RRR for decoding wheel speed and motion energy in a single IBL session. RRR 解码轮速与运动能量的定性评价 该图通过具体个案深入展示了 RRR 模型对连续行为数据的重建能力，模型不仅能准确还原不同实验条件下（如不同刺激概率块、不同奖励结果）的平均行为轨迹，还能捕捉到单个试次中行为的细微偏差。残差分析显示，模型在解码须部运动时系统误差极小，但在极高轮速下会出现一定的低估现象。

Figure 4. The behavioral data-sharing model improves single-trial decoding by inferring latent behavioral states from trial-to-trial correlations within individual sessions and sharing behavioral information across sessions. 行为数据共享模型推断潜在行为动态 此图展示了如何利用试次间的相关性来优化解码。BMM-HMM 模型能从小鼠嘈杂的原始解码输出中，准确推断出其内在的视觉选择状态（左偏、右偏或随机），而 LG-AR1 则有效提升了对连续变化的先验概率的追踪精度。更重要的是，通过引入多场次的先验分布（多场次学习），模型在参数估计上比单场次模型更接近“理想观察者（Oracle）”的水平。

Figure 5. Quantitative comparison of the proposed neural and behavioral data-sharing models against single- and multi-session baselines. 各模型在不同脑区的解码性能基准测试 这是论文的关键定量比较图，展示了模型在 PO、LP、DG、CA1 和 VISa 五个脑区预测多种行为的表现。结果显示，结合了神经共享（RRR）与行为共享（SSM）的“组合解码器”在绝大多数情况下表现最强，且基于结构化设计的 RRR (M) 在处理大规模数据时，性能普遍优于全秩线性模型，甚至在某些任务中超越了深度学习模型 MLP。

Figure 6. RRRs identify important neurons for decoding choice in brain regions including PO, LP, DG, CA1, and VISa. 利用 RRR 识别关键解码神经元 该图利用 RRR 模型的可解释性，通过神经权重基（U）量化了每个神经元对解码的贡献，并进行了“神经元修剪”实验。结果表明，只需保留一小部分具有选择性发放模式的关键神经元即可维持较高的解码准确率，而随机移除或保留不重要的神经元则会导致性能迅速下降，这证明了模型定位任务相关神经元的能力。

Figure 7. Mapping behaviorally relevant timescales and decoding quality improvement across the brain. 全脑范围内的行为相关时间尺度与解码提升地图 作者将多区域 RRR 模型应用于 270 个脑区，绘制出了大脑在处理选择和先验信息时的激活时间尺度图。地图显示，前脑和中脑区域的激活持续时间通常长于后脑，并且相比于传统的正则化线性解码器，新模型在全脑绝大多数脑区都显著提升了信息解码的质量，修正了以往可能对某些脑区功能的低估。

Figure 8. Generalization across data structures, species, and behavior tasks. 模型在不同数据结构、物种及任务中的泛化性 最后一张图通过三类数据集验证了模型的普适性：在无试次结构的自发行为数据中，RRR (M) 依然能稳定追踪运动参数；在 Allen 研究院的视觉编码数据中，模型成功解码了不同定向的视觉刺激及跑动速度；在灵长类恒河猴的随机目标触碰任务中，该模型解码手指速度的表现同样优于传统的线性模型。